Dependência de IA pode criar um novo risco corporativo, sugere modelo inspirado em epidemias

Estudo publicado no arXiv modela a adoção de grandes modelos de linguagem como um processo de propagação social e identifica condições capazes de produzir dependência, perda de autonomia e lock-in tecnológico. Para empresas, a discussão vai além da produtividade: organizações também precisam preservar conhecimento humano, capacidade de verificação e alternativas aos sistemas de IA.

A inteligência artificial generativa está deixando de ocupar apenas uma janela de navegador para se tornar parte permanente dos processos de trabalho. Em desenvolvimento de software, atendimento, análise de dados, pesquisa, Segurança da Informação e tomada de decisão, grandes modelos de linguagem já participam de atividades que antes dependiam quase integralmente de conhecimento e julgamento humanos.

Esse avanço oferece ganhos evidentes de produtividade, mas introduz uma pergunta menos confortável: o que acontece quando a ferramenta deixa de ampliar a capacidade humana e começa a substituí-la?

Um estudo submetido ao arXiv em setembro de 2026 propõe uma forma provocativa de examinar esse problema. Intitulado Large-Language Models as a Cognitive Virus, o trabalho utiliza modelos matemáticos inspirados em epidemiologia para representar como o uso de LLMs pode se propagar socialmente e, sob determinadas condições, produzir estados persistentes de dependência cognitiva.

A expressão “vírus cognitivo” é uma metáfora de modelagem. O artigo não afirma que sistemas de IA sejam literalmente vírus nem demonstra experimentalmente que usuários inevitavelmente percam capacidade cognitiva. A proposta é estudar matematicamente a transição entre diferentes formas de interação humano-IA e investigar quando o suporte tecnológico pode se transformar em substituição de competências.

De ferramenta de apoio a dependência

O modelo separa a população em três estados. O primeiro representa pessoas pouco ou nada acopladas aos LLMs. O segundo descreve usuários que utilizam inteligência artificial, mas continuam exercitando leitura, escrita, raciocínio, verificação e consulta a outras fontes. O terceiro representa um estado de dependência persistente, no qual a IA passa a substituir parcela relevante dessas operações cognitivas.

Os próprios pesquisadores ressaltam que a interação humano-LLM não é intrinsecamente prejudicial. Sistemas generativos podem ampliar exploração, produtividade e acesso ao conhecimento. O risco surge quando o cognitive offloading — a transferência de parte do esforço cognitivo para uma ferramenta externa — deixa de funcionar como suporte e passa a eliminar atividades necessárias à manutenção das competências humanas.

O ponto crítico: quando reduzir o uso pode não bastar

Um dos elementos mais interessantes do estudo é a existência, dentro do modelo matemático proposto, de um tipping point. Dependendo das taxas de adoção, influência social e transição entre estados, o sistema pode ultrapassar um limiar e migrar rapidamente para uma condição de maior dependência.

Os autores exploram ainda um fenômeno conhecido como histerese. Em sistemas desse tipo, o caminho de volta não necessariamente acompanha o caminho de ida. Depois de uma organização ou população reorganizar suas atividades ao redor de determinada tecnologia, simplesmente reduzir a pressão que provocou sua adoção pode não restaurar automaticamente a condição anterior.

Para empresas, essa dinâmica encontra paralelo no lock-in tecnológico e operacional. Processos são redesenhados, profissionais deixam de praticar determinadas atividades, conhecimento tácito desaparece, fornecedores passam a concentrar funções críticas e a organização pode descobrir que abandonar ou reduzir determinada tecnologia se tornou muito mais difícil do que adotá-la.

O estudo não prova que a IA reduz a inteligência humana

Essa distinção é essencial. O artigo é um preprint de modelagem teórica, e não um estudo longitudinal que tenha acompanhado trabalhadores e medido deterioração cognitiva causada por LLMs.

Os valores utilizados para representar diferentes níveis de competência no modelo são parâmetros ilustrativos. Eles permitem investigar a dinâmica matemática proposta, mas não devem ser interpretados como uma medição universal dos efeitos da IA sobre seres humanos. Os próprios autores reconhecem que, em cenários nos quais a inteligência artificial funciona como suporte efetivo, a competência pode permanecer estável ou mesmo aumentar.

Portanto, a conclusão responsável não é que “IA torna pessoas menos inteligentes”. O que o trabalho oferece é um modelo para investigar quando a delegação cognitiva pode se tornar autossustentável e difícil de reverter.

Da cognição individual para o risco corporativo

É nesse ponto que o estudo ganha relevância para Governança, Segurança da Informação e Gestão de Riscos. Uma empresa pode manter formalmente pessoas responsáveis por uma decisão e, ainda assim, perder gradualmente a competência necessária para avaliar a recomendação produzida por um sistema automatizado.

Em um processo saudável, um analista utiliza a IA para acelerar pesquisa, correlacionar informações ou formular hipóteses, mas preserva conhecimento suficiente para questionar o resultado, buscar evidências independentes e tomar a decisão final.

Especialista → raciocina → consulta IA → verifica → decide

Em um processo progressivamente dependente, a sequência pode se inverter.

Especialista → pergunta à IA → aceita resultado → executa

Essa diferença parece pequena quando observada em uma tarefa isolada. Em escala organizacional, entretanto, ela pode alterar a forma como conhecimento é criado, preservado e transferido.

O problema do automation bias

A confiança excessiva em sistemas automatizados não começou com a IA generativa. O fenômeno conhecido como automation bias descreve a tendência de pessoas atribuírem peso excessivo às recomendações de sistemas automatizados, inclusive quando existem sinais de que o resultado deveria ser questionado.

Com LLMs, esse risco ganha uma característica adicional: as respostas são produzidas em linguagem natural, frequentemente com aparência de coerência, segurança e completude. Um resultado incorreto pode, portanto, parecer suficientemente plausível para atravessar controles frágeis.

O problema se torna mais grave quando o usuário já não domina a atividade delegada. Nesse cenário, a organização não enfrenta apenas o risco de uma resposta errada. Ela pode perder a própria capacidade interna de reconhecer que a resposta está errada.

Segurança da Informação oferece exemplos concretos

Em um SOC, um analista pode utilizar IA para resumir alertas, correlacionar eventos e sugerir hipóteses de investigação. Isso pode aumentar significativamente a produtividade. Mas, se a equipe deixar de compreender telemetria, técnicas de ataque e contexto do ambiente porque todas as interpretações passam a ser produzidas pelo sistema, a capacidade de validar o agente diminui.

Em desenvolvimento seguro, ferramentas generativas podem revisar código, sugerir correções e explicar vulnerabilidades. O benefício é real. Ainda assim, desenvolvedores que aceitam código sem compreender sua lógica podem introduzir uma dependência paradoxal: quanto mais a IA produz, menor pode se tornar a capacidade humana de auditar aquilo que ela própria produziu.

Em testes de penetração, gestão de vulnerabilidades, threat intelligence, auditoria e GRC, a mesma questão se repete. A inteligência artificial pode ampliar cobertura e velocidade, mas a organização precisa preservar competência independente suficiente para validar achados, interpretar impacto e reconhecer situações em que a recomendação automatizada não corresponde ao contexto real do negócio.

Imunização cognitiva não significa abandonar a IA

O estudo utiliza outra metáfora epidemiológica para discutir possíveis respostas: cognitive immunization, ou imunização cognitiva. A ideia não é impedir a adoção de LLMs, mas aumentar a capacidade de usuários permanecerem em um estado no qual a IA complementa, em vez de substituir, sua atividade cognitiva.

No ambiente corporativo, essa abordagem pode ser traduzida em práticas de governança relativamente concretas: preservar momentos de raciocínio independente, exigir verificação para decisões de maior impacto, manter treinamento prático, testar periodicamente competências sem assistência de IA e garantir que processos críticos possuam alternativas operacionais.

Em outras palavras, alta adoção de IA e alta autonomia humana não são necessariamente objetivos incompatíveis. O desafio está em desenhar processos nos quais produtividade não seja obtida à custa da capacidade de supervisão.

A competência humana passa a ser um controle de segurança

Essa interpretação acrescenta uma dimensão importante aos programas de governança de IA. Controles normalmente se concentram em privacidade, segurança dos dados, acesso, fornecedores, propriedade intelectual, alucinações, vieses e uso aceitável. Todos continuam necessários.

Mas organizações também precisarão avaliar dependência operacional e cognitiva. Quais processos ainda podem funcionar sem o modelo? Existem profissionais capazes de validar suas conclusões? O conhecimento crítico está documentado fora da plataforma? Há alternativas tecnológicas? A empresa consegue substituir o fornecedor ou reduzir a automação sem perder a capacidade de operar?

Essas perguntas aproximam governança de IA de disciplinas tradicionais como continuidade de negócios, gestão de terceiros, resiliência operacional e gestão do conhecimento.

Produtividade sem reversibilidade pode se transformar em fragilidade

A corrida corporativa pela inteligência artificial está sendo impulsionada por ganhos de produtividade, redução de tempo e possibilidade de automatizar atividades cada vez mais sofisticadas. O estudo não invalida esses benefícios. Ele chama atenção para uma variável que normalmente recebe menos destaque: reversibilidade.

Uma tecnologia verdadeiramente resiliente não deveria apenas funcionar quando disponível. A organização também deveria compreender o que acontece quando ela falha, muda de fornecedor, altera sua política, aumenta custos ou produz resultados que precisam ser contestados.

Se pessoas e processos já não conseguem operar sem a inteligência artificial, a ferramenta deixa de representar apenas ganho de eficiência e passa a constituir uma dependência crítica.

O risco não está em usar IA, mas em deixar de saber trabalhar sem ela

A contribuição mais relevante de Large-Language Models as a Cognitive Virus não está na metáfora provocativa de seu título, mas na possibilidade de tratar dependência tecnológica como uma dinâmica capaz de apresentar pontos críticos e efeitos persistentes.

O estudo ainda precisa ser interpretado dentro de seus limites: trata-se de um modelo teórico publicado como preprint, não de prova experimental de deterioração cognitiva causada por inteligência artificial. Mesmo assim, ele oferece uma estrutura útil para uma discussão que empresas terão dificuldade crescente em evitar.

À medida que LLMs e agentes assumem parcelas maiores do trabalho intelectual, preservar a capacidade humana de pensar, verificar, questionar e operar de maneira independente pode deixar de ser apenas uma preocupação de desenvolvimento profissional e tornar-se um controle de resiliência corporativa.

A pergunta para a governança, portanto, não deveria ser apenas quanto trabalho pode ser entregue à IA. Também precisa incluir quanto conhecimento a organização não pode se permitir perder.

Referências

• Large-Language Models as a Cognitive Virus — arXiv
• Large-Language Models as a Cognitive Virus — texto completo

<

p style=”text-align: center; margin-top: 30px;”>